The Organizational Behavior of Agentic AI: Collective Intelligence in Human-Agent Workflows
智能体AI的组织行为：人-智能体工作流中的集体智能
🧭 多智能体组织行为与协作机制
University College London · The AI Hub in Generative Models
将智能体集体视为部分组织类比，提出上下文交易成本机制，证明共享状态与自适应形式优于模仿人类团队的结构
📌 工作参考价值
- 在电商搜索/推荐的多Agent工作流中，优先采用共享记忆或状态架构，避免严格角色隔离和有损消息传递，以保持上下文一致性。
- 设计自适应协作深度：简单查询由单Agent直接处理，复杂任务再动态调度多Agent协同，减少不必要的通信与相关性审议开销。
- 引入可检查的上下文快照与校验点，便于调试推荐逻辑链，确保多Agent推荐解释的一致性。
- 避免多个Agent产生高度相关的推理结果（类似群体思维），可通过注入多样性提示或独立记忆模块打破冗余，提升推荐多样性。
动机：智能体AI正以集体形式（规划、执行、审查、记忆管理等）进入组织工作流，但其是否真正表现出可分析的组织行为尚不明晰。
方法：将智能体集体与人类组织进行类比，识别相似性（分工、协调、例行程序等）与差异（动机、身份、信任等缺失），提出“上下文交易成本”作为核心机制。通过计算理论、合成任务模拟、真实LLM多智能体轨迹及鲁棒性分析，对比不同组织结构（层级、委员会、市场、共享状态、自适应等）的效能。
关键结果：模仿人类的结构（如层级、委员会）常因有损交接、相关审议和额外验证负担导致性能下降；而共享状态与自适应形式通过使上下文持久化、可检查且任务相关，显著提升集体智能。研究明确了人类与智能体组织行为有效融合的接口条件，为设计高效人-智能体工作流提供了理论基石。